論文の概要: REMAL: Residual Equilibrium Manifold Active Learning for Surrogate-Based Multidisciplinary Design Analysis

• arxiv url: http://arxiv.org/abs/2606.13245v1
• Date: Thu, 11 Jun 2026 11:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.770315
• Title: REMAL: Residual Equilibrium Manifold Active Learning for Surrogate-Based Multidisciplinary Design Analysis
• Title（参考訳）: REMAL:サロゲートに基づく多分野設計解析のための残留平衡マニフォールドアクティブラーニング
• Authors: Kail Yuan, Ashwin Renganathan,
• Abstract要約: 本稿では,結合系のための残留多様体代理モデリングフレームワークREMALを紹介する。 それぞれの分野を独立に近似したり、収束結合変数を直接学習する代わりに、提案手法は結合残留多様体の代理モデルを学習する。 本稿では,設計空間を横断する固定点の繰り返し評価が必要な場合,REMALがコスト効果を一貫して示すことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multidisciplinary design analysis of coupled engineering systems requires the computation of equilibrium states in which all disciplinary coupling variables are mutually consistent. Conventional fixed-point iteration resolves this consistency problem separately at each design point, which can become expensive when disciplinary evaluations are costly and many analyses are required in outer-loop tasks such as multidisciplinary design optimization, uncertainty quantification, or digital twin updating. This paper introduces REMAL, a residual manifold surrogate modeling framework for coupled systems. Instead of approximating each discipline independently or directly learning converged coupling variables, the proposed method learns a surrogate model of the joint residual manifold via multitask Gaussian process models. An entropy-based active learning strategy selects additional residual evaluations near uncertain zero-contour regions, and equilibrium states for new design inputs are recovered by solving a nonlinear least squares optimization problem using only the trained surrogate. The method is evaluated on four engineering coupled system benchmarks: a satellite model, an aerostructural model, a finite-element gas-turbine heat-transfer and economics model, and a modified turbine model with added feedback coupling. Across these cases, REMAL consistently demonstrates the cost effectiveness when repeated evaluations of the fixed point across the design space are necessary. Theoretically, we show that, under mild assumptions, REMAL's predictive fixed point error is bounded.
• Abstract（参考訳）: 結合工学系の多分野設計解析は、全ての分岐結合変数が相互に一貫した平衡状態の計算を必要とする。 従来の固定点反復法はこの整合性問題を各設計点ごとに分離して解決するが、これは学際的な評価がコストがかかる場合にコストがかかるため、複数の学際的な設計最適化、不確実性定量化、デジタルツイン更新などの外ループタスクにおいて多くの解析を必要とする。 本稿では,結合系のための残留多様体代理モデリングフレームワークREMALを紹介する。 それぞれの分野を独立に近似するか、あるいは収束結合変数を直接学習する代わりに、提案手法はマルチタスクガウス過程モデルを用いて結合残留多様体の代理モデルを学習する。 エントロピーに基づくアクティブラーニング戦略は、不確実な零点領域近傍の余剰評価を選択し、トレーニングされたサロゲートのみを用いて非線形最小二乗最適化問題を解くことにより、新しい設計入力の平衡状態を復元する。 本手法は, 衛星モデル, エアロ構造モデル, 有限要素ガスタービン熱伝達・経済モデル, フィードバック結合を付加したタービンモデルである。 これらのケース全体で、REMALは設計空間全体にわたる固定点の繰り返し評価が必要な場合のコスト効果を一貫して示す。 理論的には、軽微な仮定の下では、REMALの予測的不動点誤差は有界である。

関連論文リスト

• Efficient Diffusion Models under Nonconvex Equality and Inequality constraints via Landing [23.34796659926398]
  制約セット内の生成モデリングは、物理的、幾何学的、安全要件を含む科学的および工学的応用に不可欠である。 本稿では,制約付き拡散プロセスモデルにおいて,実現不可能なフレームワークを実現する手法を提案する。
  論文  参考訳（メタデータ） (2026-04-20T05:47:27Z)
• Adaptive Learning via Off-Model Training and Importance Sampling for Fully Non-Markovian Optimal Stochastic Control. Complete version [0.0]
  本稿では,制御状態が完全に非マルコフ的であり,未知のモデルパラメータに依存する連続時間制御問題について検討する。 従来の研究で開発された離散スケルトン法に基づいて, 組込み後進動的プログラミング方程式に対するモンテカルロ学習手法を提案する。
  論文  参考訳（メタデータ） (2026-04-14T16:32:46Z)
• Hierarchical Inference and Closure Learning via Adaptive Surrogates for ODEs and PDEs [15.38864225184245]
  逆問題は、データに合うようにモデルを校正するタスクである。 我々は、異なるが関連する物理システムのコレクションからのデータを活用するための原則的方法論を開発する。 我々は、MLベースのクロージャモデルという形で、共有未知のダイナミクスを学習する。
  論文  参考訳（メタデータ） (2026-03-04T10:30:08Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Stochastic Optimization with Optimal Importance Sampling [49.484190237840714]
  本稿では,両者の時間的分離を必要とせずに,意思決定とIS分布を共同で更新する反復型アルゴリズムを提案する。 本手法は,IS分布系に対する目的的,軽度な仮定の凸性の下で,最小の変数分散を達成し,大域収束を保証する。
  論文  参考訳（メタデータ） (2025-04-04T16:10:18Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Learning non-stationary and discontinuous functions using clustering, classification and Gaussian process modelling [0.0]
  非滑らかな関数の近似に対する3段階のアプローチを提案する。 この考え方は、システムの局所的な振る舞いや体制に従って空間を分割し、局所的なサロゲートを構築することである。 本手法は, 引張膜構造の2つの解析関数と有限要素モデルを用いて検証し, 検証した。
  論文  参考訳（メタデータ） (2022-11-30T11:11:56Z)
• Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
  マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。 これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
  論文  参考訳（メタデータ） (2021-03-01T22:55:48Z)
• Trace Ratio Optimization with an Application to Multi-view Learning [10.196148937138275]
  Stiefel多様体上のトレース比最適化問題を検討する。 この問題の特別なケースは、フィッシャー線形判別分析、正準相関解析、および不均衡プロクリスト問題から生じている。 新たなフレームワークとそのインスタンス化コンクリートモデルを提案し,実証した。
  論文  参考訳（メタデータ） (2021-01-12T04:38:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。